داده کاوی
داده‌های
خام
داده‌های
هدف
پاک‌سازی
داده‌ها

ارائه دانش
الگوها
یکپارچگی
داده‌ها
تبدیل داده‌ها
پیش پردازش داده‌ها
تشخیص الگو
داده‌کاوی از دو مرحله اصلی تشکیل شده است؛ مرحله اول پیش پردازش داده‌ها که در این مرحله خصیصه‌های با تأثیر بالاتر از داده‌های سطح پایین استخراج می‌شود. مرحله دوم تشخیص الگو می‌باشد که به کشف الگوی موجود در داده‌ها به کمک صفات و خصیصه‌های بدست آمده می‌پردازد.
داده‌کاوی را می‌توان سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک بلوغ در صنعت پایگاه داده نظیر: عملیات جمع‌ آوری داده‌ها و ایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده می‌باشد.
داده کاوی تحلیل داده‌های قابل مشاهده برای کشف ارتباطات غیرمنتظره و خلاصه کردن داده‌ها به صورتی بدیع است که برای دارنده‌ی اطلاعات مفید و قابل درک باشد [۱۶]. کاوش اطلاعات، حجم عظیمی از داده‌های خام را به فرمی تغییر می‌دهد که انسان بتواند آن‌ها را به راحتی بفهمد و برای تصمیم گیری بتواند از این اطلاعات استفاده کند. در مسائل داده کاوی، هر چه حجم داده‌ها بیشتر می‌شود، میل بیشتری برای کشف الگوهای مخفی در داده‌ها به وجود می‌آید. در قدم اصلی داده کاوی ممکن است از چندین الگوریتم داده کاوی استفاده شود. کار اصلی الگوریتم داده کاوی با توجه به نوع مسئله‌ی کشف دانش تغییر می‌کند اما دو نوع اصلی الگوریتم‌های داده کاوی، دسته‌بندی و خوشه‌بندی است.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

اصلی‌ترین دلیلی که باعث شد داده کاوی در علوم پزشکی مورد توجه بسیاری قرار بگیرد، مسأله در دسترس بودن حجم وسیعی از داده‌ها و نیاز شدید به اینکه از این داده‌ها، اطلاعات و دانش استخراج شود. داده‌کاوی عبارت است از استخراج دانش از مجموعه‌ای از داده‌ها.

۲-۳- دسته‌بندی

هرگاه داده‌ها دارای خصیصه‌ای خاص باشند که مستقیماً از دیگر خصایص به وجود نیامده باشد اما بین آن مشخصه و دیگر ابعاد رابطه وابستگی وجود داشته باشد، در این صورت می‌توان با کشف مدلی بر اساس دیگر مشخصه‌ ها، آن بعد مذکور (که نشان دهنده دسته خاصی از داده‌ها است) را شناسایی نمود. فرض کنید که مشخصات تعدادی بیمار در پایگاه داده‌ای وجود دارد که قبلاً با بهره گرفتن از آزمایش خاص دو نوع بیماری مشخص شده که هر‌کدام از این بیماران به کدام بیماری مبتلا هستند، در این جا هیچ فردی حق ندارد هر دو بیماری را داشته باشد، سالم بوده و یا بیماری دیگری داشته باشد، به این معنی که دسته‌ ها فضای مسئله را افراز می‌کند. در چنین پایگاه داده‌هایی برای هر بیمار یک رکورد خاص وجود دارد که شامل علائم بیمار و در نهایت نام یا برچسب بیماری که بیمار به آن مبتلا شده است می‌باشد. یک داده کاو تصمیم می‌گیرد سیستمی را ابداع کند که طی آن بدون آزمایش و فقط از روی علائم بیمار بتوان نوع بیماری وی را تشخیص داد. این تصمیم ممکن است به هر دلیلی مثلاً کمبود امکانات صورت گرفته باشد. آنچه باید انجام شود عملیات دسته بندی نامیده می‌شود. هدف دسته‌بندی؛ آموزش یک نگاشت از ورودی‌های x به خروجی‌های y است، که در آن ، C تعداد کلاس‌ها را مشخص می‌کند. اگر C=2 دسته‌بندی را دسته‌بندی دودویی می‌نامیم ( )، اگر C>2 باشد، این نوع دسته‌بندی را دسته‌بندی چند کلاسه می‌نامیم [۱۷].
دسته‌بندی داده‌ها یک فرایند دو مرحله‌ای است. اولین مرحله ساخت مدل و دومین مرحله استفاده از مدل و پیش‌بینی کلاس از طریق مدل ساخته شده است. برای این منظور باید مجموعه داده‌ها را به دو دسته داده‌های آموزش و داده‌های تست تقسیم کنیم. با بهره گرفتن از داده‌هایی که برچسب آموزش خورده‌اند یک دسته‌بند ایجاد می‌شود که بر اساس آن بتوان داده‌های فاقد برچسب را در دسته‌ه ای مربوط به خودشان قرار داد. کارایی دسته‌بند ساخته شده با داده‌های تست (که به صورت تصادفی از میان داده‌ها انتخاب شده‌اند) مورد سنجش قرار می‌گیرد و مدل روی آن‌ها اجرا می‌شود تا دقت پیش بینی دسته‌بند بررسی گردد، چنان که مدل دارای دقت مناسبی باشد برای دسته‌بندی داده‌ها به کار می‌رود.
در دسته‌بندی یادگیری به وسیله نمونه‌ها انجام می‌گیرید و برچسب هر یک از دسته‌ ها مشخص است. سپس نمونه‌ها بر حسب ویژگی‌هایشان به دسته‌ه ای از قبل مشخص شده، تخصیص داده می‌شوند. در حالی که در خوشه‌بندی داده‌ها به خوشه‌های مختلف که از قبل معین نیستند تقسیم می‌شوند، بر این اساس که داده‌های درون خوشه مشابه و داده‌های خوشه‌های مختلف متفاوت باشند. خوشه بندی به فرایند تقسیم بندی داده به یک یا چند گروه به طوری که فاصله‌ی بین خوشه‌ها حداکثر و فاصله‌ی درون خوشه‌ها حداقل باشد، اطلاق می‌شود.

۲-۴- الگوریتم‌های رایج دسته‌بندی

روش‌های زیادی برای دسته‌بندی وجود دارد که از جمله می‌توان به مواردی که در ادامه به آن‌ها اشاره می‌شود اشاره کرد:

• • شبکه‌های عصبی مصنوعی^[۱]

• • درخت‌های تصمیم^[۲]

• • شبکه‌های بیزین

• • k نزدیک‌ترین همسایه^[۳]

• • ماشین بردار پشتیبان^[۴]

• • روش‌های مبتنی بر قانون

۲-۴-۱- شبکه‌های عصبی مصنوعی

مطالعه شبکه‌های عصبی مصنوعی تا حد زیادی الهام گرفته از سیستم‌های یادگیر طبیعی است که در آن‌ها یک مجموعه پیچیده از نرون‌های به هم متصل در کار یادگیری دخیل هستند. گمان می‌رود که مغز انسان از تعداد ۱۰^۱۱ نرون تشکیل شده باشد که هر نرون با تقریباً ۱۰^۴ نرون دیگر در ارتباط است. سرعت انتقال نرون‌ها در حدود ۱۰^-۳ ثانیه است که در مقایسه با کامپیوترها ( ۱۰^-۱۰ ثانیه) بسیار ناچیز می کند. با این وجود آدمی قادر است در ۰٫۱ ثانیه تصویر یک انسان را باز شناسائی نماید. این قدرت فوق‌العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرون‌ها حاصل شده باشد [۱۸].
این شبکه‌ها یادگیری را از روی مثال‌ها و نمونه‌ها انجام می‌دهند و از این لحاظ در عمل یادگیری شبیه به انسان عمل می‌کنند. مزیت دیگر آن‌ها این است که این شبکه‌ها از توانایی تعمیم دهی ذاتی برخوردار هستند؛ یعنی این شبکه‌ها توانایی تشخیص الگوهایی را که شبیه نمونه‌هایی که قبلاً یاد گرفته باشد را دارد نه اینکه تنها الگوهای دقیقاً همانند نمونه‌های آموزشی را تشخیص دهد [۱۹].
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری می‌باشد. یک نرون به تنهایی فقط می‌تواند برای شناسایی توابعی که به صورت خطی تفکیک پذیرند بکار رود، از آنجا که در مسائل واقعی عموماً توابع به صورت خطی جدایی پذیر نیستند شبکه‌ای از نرون‌ها مورد نیاز می‌باشد.
انواع شبکه‌های عصبی برای حل مسائل مختلف یادگیری بانظارت، یادگیری بدون نظارت و یادگیری تقویتی استفاده می‌شوند. شبکه‌های عصبی بر حسب انواع اتصالات به دو نوع رو به جلو FNN^[5] و بازگشتی RNN^[6] تقسیم می‌شوند. FNN ها معمول‌ترین نوع شبکه‌های عصبی است که در کاربردهای مختلف استفاده می‌شوند. لایه اول لایه ورودی نامیده می‌شود و لایه آخر لایه خروجی است و هر تعداد لایه میان این دو لایه را لایه‌های میانی یا مخفی می‌نامند زیرا در عمل ما تنها با ورودی و خروجی‌های شبکه عصبی کار داریم. شبکه عصبی به صورت یک جعبه سیاه کار می‌کند و دسترسی مستقیم به لایه‌های میانی میسّر نیست. شبکه‌های عصبی بازگشتی دارای چرخه‌های جهت‌دار در ساختار گراف‌های ارتباطشان هستند یعنی با دنبال کردن ارتباطات بین گره‌ها می‌توان به گره‌ها قبلی و آغازین بازگشت. RNN ها با توجه به ساختارشان دینامیک پیچیده‌ای دارند و این امر آموزش این شبکه‌ها را بسیار پیچیده می‌کند. ضمن اینکه از لحاظ بیولوژیکی شبکه‌های عصبی بازگشتی به واقعیت نزدیک‌تر هستند.
شبکه‌های FNN با بیش از یک لایه مخفی را MLP^[7] و شبکه‌های FNN با یک لایه مخفی را SLP می‌نامیم و در آن خروجی نرون‌ها در هر لایه تابعی غیر خطی از خروجی‌های لایه‌های قبلی است. تعداد نرون‌های لایه ورودی و خروجی ثابت است، تعداد نرون‌های لایه ورودی برابر با فضای مشخصه‌ ها و تعداد نرون‌های لایه خروجی با توجه به تعداد کلاس‌ها مشخص می‌شود. در MLP گره‌ها (نرون‌ها) معمولاً در لایه‌هایی در شبکه عصبی مرتب می‌شوند هر گره تنها ورودی‌هایی از لایه قبل دریافت می‌کند و تابعی از ورودی‌ها را ارائه می‌دهد.
لایه ورودی
لایه مخفی
لایه خروجی
فضای خصیصه‌ها
تعداد کلاس‌ها
شکل ۲- ۲: ساختار SLP [20]
هر واحد یک خروجی را منتشر می‌کند که تابعی غیر خطی از مقادیر ورودی است [۲۰]. f تابع فعال‌سازی است که بر روی مجموع ضرب وزن‌ها در ورودی‌های هر گره اعمال می‌گردد. معروف‌ترین تابع فعال‌سازی که در شبکه‌های عصبی استفاده می‌شود تابع سیگموئید یا لجستیک نام دارد که در آن؛
(۲-۱)
رفتار شبکه عصبی با توجه به مقادیر وزن‌های آن تعیین می‌شود. شبکه عصبی بهترین مقادیر وزن‌ها و بایاس‌ها را با توجه به مجموعه داده موجود یاد می‌گیرد، در واقع آموزش شبکه عصبی شامل تنظیم وزن‌ها و بایاس‌ها تا موقعی که شرایط مشخصی برآورده گردد می‌شود. تنظیم وزن‌ها به گونه‌ای صورت می‌گیرد که میزان خطا میان خروجی مطلوب و خروجی شبکه عصبی را کاهش دهد.
Net _j

استفاده از مجموع مربعات تفاضل (SSD) نیز برای محاسبه میزان شباهت قالب و پنجره جستجو رایج است. دقت روش SSD برای محاسبه میزان تطابق بیشتر از روش SAD می‏باشد. مقدار SSD از رابطه ‏(۷) قابل محاسبه است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

استخراج ویژگی‏های مربوط به کاهش هوشیاری
در سیستم‏های نظارت چهره راننده، ویژگی‏های مفید برای تشخیص خستگی و عدم تمرکز حواس به سه دسته کلی قابل تقسیم است:
ویژگی‏های ناحیه چشم
ویژگی‏های ناحیه دهان
ویژگی‏های ناحیه چهره و سر
ویژگی‏های ناحیه چشم
چشم مهمترین عضو چهره است که نشانه‏های خستگی و عدم تمرکز حواس در آن ظهور پیدا می‏کند. به همین دلیل بسیاری از سیستم‏های نظارت چهره راننده فقط بر اساس ویژگی‏های استخراج شده از ناحیه چشم، خستگی و عدم تمرکز حواس راننده را تشخیص می‏دهند.
بسته بودن چشم
ساده‏ترین ویژگی برای تشخیص خواب‏آلودگی، بسته بودن چشم‏ها^[۷۱] است. این ویژگی، در عین سادگی اطالاعات بسیار مفیدی در مورد خواب‏آلودگی و حتی بیهوشی راننده در اختیار می‏گذارد. ویژگی بسته‏بودن چشم به دو شکل مختلف برای تشخیص خواب‏آلودگی قابل استفاده است: بسته بودن ممتد چشم و درصد بسته بودن چشم در یک مدت معین.
در روش بسته بودن ممتد چشم، اگر چشم برای یک مدت معین به طور ممتد بسته باشد، خواب‏آلودگی تشخیص داده می‏شود. این روش کارایی خوبی ندارد و چندان قابل اطمینان نیست. چرا که خواب‏آلودگی راننده تنها زمانی مشخص می‏شود که چشم‏های او برای مدت معینی کاملا بسته شده باشد. این ویژگی در [۲۴, ۲۵, ۳۱, ۳۴, ۳۵] مورد استفاده قرار گرفته است. برای افزایش دقت سیستم، معمولا این ویژگی همراه با برخی ویژگی‏های دیگر مورد استفاده قرار می‏گیرد.
روش دیگر بر اساس درصد بسته بودن چشم^[۷۲] در یک مدت معین عمل می‏کند. به این روش اختصارا PERCLOS گفته می‏شود. بر اساس تحقیقات به عمل آمده، یکی از بهترین معیارهای ارزیابی کاهش هوشیاری، محاسبه درصد بسته بودن پلک‏ها در یک دوره زمانی است [۸]. به همین دلیل ویژگی PERCLOS به عنوان یک ویژگی بسیار مهم برای تشخیص خواب‏آلودگی در [۶, ۹, ۲۷, ۴۴, ۵۸] استفاده گردیده است.
روش‏های متفاوتی برای تشخیص بسته یا باز بودن چشم استفاده شده که از مهمترین آنها می‏توان به خاصیت بازتابشی چشم در طیف مادون قرمز [۲۰-۲۳]، محاسبه پروجکشن افقی ناحیه چشم [۲۶-۲۸, ۳۷, ۴۸] و محاسبه شار اپتیکی^[۷۳] [۷, ۴۹] اشاره کرد.
Zheng و همکارانش [۵۹] روشی را ارائه کرده‏اند که با معلوم بودن ناحیه چشم، قادر است مرکز و شعاع مردمک^[۷۴]، گوشه‏های چشم و کانتور^[۷۵] پلک را مشخص کند. در این روش مردمک چشم از طریق اعمال سطح آستانه بر روی مقدار H در فضای رنگی HSI و دوسطحی کردن تصویر چشم تعیین می‏شود. به این ترتیب می‏توان مرکز و شعاع مردمک چشم را در تصویر دوسطحی شده بدست آورد. آشکارسازی گوشه‏های چشم با روش فیلتر گوشه چشم^[۷۶] و به کمک موجک Gabor انجام شده است. در نهایت کانتور پلک‏ها به کمک نقاط بالا، پایین و طرفین چشم و با بهره گرفتن از تابع Spline تعیین می‏گردد. این الگوریتم می‏تواند در تعیین بسته بودن چشم، فاصله بین دو پلک و تعیین جهت نگاه^[۷۷] راننده مورد استفاده قرار گیرد.
Brandt و همکارانش [۷] و Lalonde و همکارانش [۴۹] برای تشخیص بسته بودن چشم از اندازه‏گیری شار اپتیکی^[۷۸] ناحیه چشم استفاده کرده‏اند. در این روش بر اساس محاسبه مقدار شار اپتیکی و تعیین جهت آن، باز و بسته شدن پلک‏ها قابل تشخیص است.
Grace و همکارانش [۲۰] با بهره گرفتن از نورپردازی و تصویربرداری در طیف مادون قرمز و به کمک خاصیت بازتابش نور مادون قرمز از مردمک چشم، مکان چشم را تشخیص داده و از همین طریق بسته یا باز بودن آن را مشخص می‏کنند. در این روش اگر درصد بسته بودن چشم در بازه زمانی ۱ دقیقه بیشتر از ۸۰% باشد، سیستم اعلام هشدار می‏کند.
تشخیص خواب‏آلودگی در [۲۶] بر اساس بسته بودن چشم در ۵ ثانیه متوالی صورت می‏گیرد. در این سیستم پس از تعیین ناحیه چشم، با بهره گرفتن از عملگر Prewitt لبه‏های تصویر استخراج شده و دوسطحی می‏شود. هنگامی‏که چشم بسته باشد، تنها لبه پلک‏ها آشکارسازی می‏شود، اما در صورت باز بودن چشم، علاوه بر پلک‏ها، حدقه و عنبیه چشم نیز لبه‏های قابل توجه دارند. پس انتظار می‏رود در صورت بازبودن چشم، پیکسل‏های لبه در نواحی اطراف چشم بیشتر باشد. به این ترتیب باز یا بسته بودن چشم مشخص می‏گردد.
در [۲۱-۲۳] برای تشخیص بسته بودن چشم از بررسی اندازه مردمک چشم استفاده شده است. در این روش مردمک چشم بر اساس نوعی نورپردازی طیف مادون قرمز آشکارسازی می‏شود. اگر اندازه مردمک چشم کمتر از ۳۰% اندازه واقعی خود شود، چشم بسته تشخیص داده خواهد شد. سپس مقدار PERCLOS در ۳۰ ثانیه اخیر و مدت زمان بسته بودن ممتد چشم برای تخمین میزان خستگی راننده محاسبه می‏شود.
Rang-ben و همکارانش [۵۶] برای تشخیص بسته بودن چشم از موجک Gabor استفاده کرده‏اند. برای این منظور گوشه‏های چشم و مرکز چشم با ۱۸ فیلتر موجک Gabor پردازش شده تا ۵۴ ویژگی (۱۸ ضریب برای هر یک از نقاط دو گوشه چشم و مرکز آن) از هر چشم استخراج شود. این ویژگی‏ها توسط شبکه عصبی پرسپترون چند لایه^[۷۹] (MLP) پردازش می‏شود تا خواب‏آلودگی راننده تعیین شود. دقت تشخیص خواب‏آلودگی با بهره گرفتن از این روش ۸۵% است.
روش پیشنهادی Horng و همکارانش [۳۰] برای تشخیص خواب‏آلودگی بر اساس بسته یا باز بودن چشم می‏باشد. مقدار S پیکسل‏های مردمک چشم در فضای رنگی HSI بین صفر تا ۱۴/۰ متغیر است. به این ترتیب با اعمال حد آستانه بر روی تصویر ناحیه چشم، بسته یا باز بودن چشم تعیین می‏شود. اگر چشم به مدت بیشتر از ۲۵/۰ ثانیه بسته تشخیص داده شود، سیستم اعلام هشدار خواهد کرد.
Gan و همکارانش [۴۸] روشی را ارائه کرده‏اند که خواب‏آلودگی راننده را بر اساس بسته بودن چشم تشخیص می‏دهد. در این روش با محاسبه پروجکشن افقی تصویر دوسطحی چهره، مکان چشم‏ها مشخص شده و بر همین اساس بسته یا باز بودن آن تعیین می‏شود. در صورت باز بودن چشم، شیب نمودار پروجکشن در ناحیه چشم کم است، در حالی که هنگام بسته بودن چشم، شیب نمودار زیاد خواهد بود. به این ترتیب با بهره گرفتن از محاسبه مشتق نمودار پروجکشن و همچنین محاسبه تعداد پیکسل‏های سیاه چشم، باز یا بسته بودن چشم قابل تشخیص است.
در [۲۷] تشخیص باز و بسته چشم بر اساس محاسبه پروجکشن واریانس افقی انجام شده است. اگر چشم باز باشد، پروجکشن واریانس افقی ناحیه چشم به دلیل اختلاف شدید مقادیر پیکسل‏های کره چشم (روشن) و مردمک (تیره) زیاد است. در حالی‏که اگر چشم بسته باشد، پروجکشن واریانس افقی ناحیه چشم کمتر خواهد شد.
فاصله بین پلک‏ها
در [۲۸] برای تشخیص خواب‏آلودگی از فاصله بین دو پلک^[۸۰] استفاده شده است. در حالتی که راننده بیدار باشد، فاصله بین دو پلک زیاد است، اما با افزایش خستگی، فاصله بین دو پلک کم می‏شود. در این روش، فاصله بین دو پلک بر اساس پروجکشن افقی چشم محاسبه می‏گردد.
سرعت پلک‏زدن
یکی دیگر از ویژگی‏های خستگی، کاهش سرعت پلک‏زدن^[۸۱] است. منظور از سرعت پلک‏زدن، زمان بین باز و بسته شدن پلک‏ها در یک پلک‏زدن است. در [۶, ۲۷, ۴۴] از این ویژگی برای تشخیص خستگی استفاده شده است. در صورتی که مدت زمان پلک‏زدن بیشتر از یک حد آستانه (حدود ۵/۰-۸/۰ ثانیه) اندازه‏گیری شود، خواب‏آلودگی راننده تشخیص داده می‏شود.
نرخ پلک‏زدن
نرخ پلک‏زدن^[۸۲] به معنی تعداد دفعات پلک‏زدن در یک مدت معین می‏باشد. این ویژگی می‏تواند برای تشخیص خستگی و عدم تمرکز حواس مورد استفاده قرار گیرد. نرخ پلک‏زدن در افراد مختلف با هم متفاوت است. در صورتی که نرخ پلک‏زدن بسیار کمتر از حد طبیعی باشد، نشانه عدم تمرکز حواس (به دلیل عوامل درونی و مشغله ذهنی) می‏باشد و اگر بسیار زیاد‏تر از حد طبیعی باشد نشانه خواب‏آلودگی راننده است. از این ویژگی در [۶, ۲۱-۲۳] برای تشخیص خستگی و عدم‏تمرکز حواس استفاده شده است.
جهت نگاه چشم
جهت نگاه^[۸۳] چشم ویژگی موثری در تعیین عدم تمرکز حواس راننده است. با بهره گرفتن از این ویژگی، علاوه بر تشخیص عدم توجه راننده به جاده، می‏توان تصمیم راننده برای سبقت گرفتن یا تغییر مسیر را تشخیص داد. بر اساس تحقیقات نشان داده شده است که راننده به هنگام سبقت‏گرفتن، دائم جهت نگاه خود را از مسیر مبدا به مسیر مقصد و بالعکس تغییر می‏دهد [۶۰, ۶۱]. این ویژگی در [۶, ۴۴] براساس خاصیت بازتابشی چشم در طیف مادون قرمز استخراج شده و برای تشخیص عدم تمرکز حواس راننده مورد استفاده قرار گرفته است.
در [۶] تخمین جهت نگاه چشم بر اساس مرکز مردمک چشم و نور بازتابیده شده از قرنیه^[۸۴] چشم انجام می‏شود. نور بازتابیده شده از قرنیه را درخشش چشم^[۸۵] می‏نامند که نسبت به بازتابش نور مردمک ضعیف‏تر و از نظر قطر کوچک‏تر است. در این سیستم، نور بازتابیده شده از مردمک چشم فقط در فریم‏های زوج مشاهده می‏شود، در حالی که نور بازتابیده شده از قرنیه در تمام فریم‏ها دیده می‏شود. راستای خطی که مرکز مردمک چشم را به مرکز درخشش چشم متصل می‏کند، جهت نگاه چشم را در ۹ راستا مشخص خواهد کرد: مستقیم، بالا، پایین، چپ، راست، بالا راست، بالا چپ، پایین راست و پایین چپ. سرعت اجرا این روش بر روی کامپیوتر Sun Ultra 10 حدود ۱۵ فریم در ثانیه و میانگین دقت آن بیش از ۹۴% گزارش شده است.
تشخیص و ردیابی جهت نگاه چشم در [۴۴] بسیار شبیه روش فوق می‏باشد، با این تفاوت که با آموزش یک شبکه عصبی رگرسیون تعمیم‌یافته^[۸۶] (GRNN)، به کمک تعدادی از ویژگی‏های مربوط به مردمک و مرکز انعکاس نور قرنیه چشم، سیستم قادر به تخمین جهت نگاه چشم خواهد بود. دقت این روش برای تخمین جهت نگاه چشم حدود ۹۶% می‏باشد.
حرکات جهشی چشم
یکی از ویژگی‏های قابل استخراج از جهت نگاه چشم، نرخ حرکات جهشی^[۸۷] و نامنظم چشم است. هنگامی‏که راننده هوشیاری عادی دارد، هر چند وقت یک بار محیط اطراف خود را بازبینی سریع می‏کند. این بازبینی سریع همراه با حرکات سریع جهشی و نامنظم است [۴۴]. Bergasa و همکارانش [۲۱-۲۳] نیز از همین ویژگی تحت عنوان «نگاه ثابت^[۸۸]» برای تعیین میزان هوشیاری استفاده کرده‏اند. در واقع ثابت بودن جهت نگاه به مدت طولانی، نشانه عدم تمرکز حواس راننده است.
ویژگی‏های دهان
خمیازه کشیدن^[۸۹] یکی از نشانه‏های خستگی می‏باشد که همراه با باز‏شدن دهان است. همچنین صحبت‏کردن راننده به هنگام رانندگی می‏تواند از نشانه‏های کاهش تمرکز حواس باشد. از جمله مهمترین روش‏های تشخیص باز بودن دهان، محاسبه نسبت عرض به ارتفاع دهان [۳۶]، محاسبه ضرایب موجک Gabor در نقاط گوشه دهان [۴۴] و استفاده از ماشین بردار پشتیبان (SVM) [51] است.
ویژگی‏های سر
برخی از نشانه‏های خستگی و عدم تمرکز حواس راننده در حرکات سر بروز پیدا می‏کند. از جمله مهمترین ویژگی‏های مربوط به ناحیه سر می‏توان به افتادن سر، تعیین جهت سر (برای آشکارسازی چرخش) و عدم تحرک سر اشاره کرد. در این بخش ویژگی‏های مربوط به ناحیه سر مورد بررسی قرار خواهد گرفت.
افتادن سر
یکی از نشانه‏های خواب‏آلودگی در انسان افتادن سر^[۹۰] به دلیل چرت‏زدن^[۹۱] است. در هنگام خواب‏آلودگی ماهیچه‏های گردن انقباض کامل ندارند و سر به تدریج خم می‏شود. این ویژگی یکی از نشانه‏های خواب‏آلودگی یا بیهوشی می‏باشد و در سیستم‏های [۷, ۲۱-۲۳, ۲۵, ۴۴] برای تشخیص خواب‏آلودگی مورد استفاده قرار گرفته است. افتادن سر از نحوه ردیابی چهره با فیلتر کالمن قابل تعیین است [۲۱-۲۳].
جهت سر
تعیین جهت سر^[۹۲] در تشخیص عدم تمرکز حواس راننده و پیش‏بینی قصد او برای تغییر مسیر موثر است. در حالت کلی، تعیین جهت سر نیاز به مدل سه بعدی از سر دارد. استفاده از بینایی استریو علاوه بر افزایش شدید حجم محاسبات، باعث افزایش قیمت تمام شده سیستم می‏شود. تاکنون در سیستم‏های نظارت چهره راننده از بینایی استریو برای این منظور استفاده نشده است، بلکه روش‏هایی ارائه شده که بدون نیاز به بینایی استریو، مدل سه بعدی چهره و جهت سر تعیین می‏شود. از جمله تحقیقات انجام شده در این زمینه می‌توان به تشخیص جهت سر با بهره گرفتن از مکان هندسی چشم‌ها، بینی و دهان نسبت به یکدیگر [۲۱-۲۳, ۲۷, ۴۴, ۵۲] و یا استفاده از تغییر شکل هندسی مردمک چشم [۶] اشاره کرد.
عدم تحرک سر
عدم تحرک سر^[۹۳] برای یک مدت طولانی نشان از عدم تمرکز حواس راننده دارد. هنگامی‏که راننده بر روی موضوعی غیر از رانندگی تمرکز می‏کند، تحرک سر وی کم شده و تقریبا ثابت خواهد شد. این ویژگی به عنوان یکی از ویژگی‏های تشخیص عدم تمرکز راننده در [۷] مورد استفاده قرار گرفته است.
تشخیص خستگی و عدم تمرکز حواس
پس از استخراج ویژگی، بحث چگونگی ارتباط میان ویژگی‏ها و نحوه تعیین میزان خستگی و عدم تمرکز حواس راننده بر اساس این ویژگی‏ها مطرح می‏شود. تعیین وضعیت راننده یک مسئله طبقه‏بندی^[۹۴] (دسته ‏بندی) محسوب می‏شود. ساده‏ترین شکل آن، طبقه‏بندی وضعیت راننده به دو حالت هوشیار و غیرهوشیار می‏باشد. در حالت دیگر می‏توان میزان هوشیاری راننده را با یک عدد حقیقی بین صفر و یک مشخص کرد.
روش‏های مبتنی بر حد آستانه
ساده‏ترین روش برای تشخیص خستگی و عدم تمرکز حواس، استفاده از حد آستانه است. اگر تنها از یک ویژگی برای تشخیص خستگی و عدم تمرکز حواس استفاده شود، مرحله تشخیص با اعمال حد آستانه به پایان می‏رسد. ولی اگر از چند ویژگی برای تشخیص کاهش هوشیاری استفاده شود، پس از اعمال حد آستانه بر روی هر ویژگی، تشخیص نهایی باید روشی برای ترکیب^[۹۵] نتایج استفاده کرد. در واقع اعمال حد آستانه بر روی هر ویژگی، وضعیت راننده را به دو دسته طبقه‏بندی می‏کند، اما هنوز طبقه‏بندی نهایی سیستم برای تشخیص وضعیت راننده انجام نشده است. برای تولید خروجی نهایی سیستم می‏توان از روش قوانین ابتکاری^[۹۶] یا رای اکثریت^[۹۷] استفاده کرد. در اکثر سیستم‏های نظارت چهره برای تشخیص خستگی و عدم تمرکز حواس از روش‏های مبتنی بر حد آستانه استفاده شده است.
رای اکثریت
یکی از روش‏های ساده برای ترکیب نتایج حاصل از چند طبقه‏بندی‏کننده، استفاده از رای اکثریت است. این ایده برگرفته از قوانین دموکراسی می‏باشد و به سه شکل قابل استفاده است: رای مطلق^[۹۸]، رای اکثریت ساده^[۹۹] و رای ائتلافی^[۱۰۰] [۶۲]. در سیستم‏های نظارت چهره راننده معمولا از روش رای ائتلافی استفاده شده است. به این معنی که خروجی سیستم بر اساس رای اکثریت تعیین می‏شود. مثلا اگر وضعیت راننده بر اساس ۶۰% ویژگی‏ها هوشیار و بر اساس ۴۰% دیگر غیرهوشیار تعیین شود، سیستم وضعیت هوشیار را برای راننده تعیین خواهد کرد.
روش‏های مبتنی بر دانش
در روش‏های مبتنی بر دانش، تصمیم‏ گیری در مورد تعیین خستگی و خواب‏آلودگی راننده بر اساس دانش یک فرد خبره^[۱۰۱] انجام می‏گیرد. در این روش‏ها معمولا دانش در قالب قوانین اگر-آنگاه ظاهر می‏شود. یکی از ساده‏ترین روش‏های ترکیب نتایج، تعریف چند قانون ابتکاری ساده است. در این روش چند قانون اگر-آنگاه بر روی نتایج هر ویژگی اعمال شده تا وضعیت نهایی راننده تخمین زده شود. در حالت پیچیده‏تر، می‏توان از سیستم‏های خبره نیز استفاده کرد. هرچند قوانین ابتکاری یک نوع سیستم خبره ساده می‏باشد.
یکی از راهکار‏های قابل استفاده برای ترکیب اطلاعات حاصل از چند ویژگی، منطق فازی^[۱۰۲] است. در سیستم‏های خبره فازی یا سیستم‏های استنتاج فازی با تعریف چند قانون فازی، می‏توان اطلاعات حاصل از مرحله استخراج ویژگی را مورد پردازش قرار داد. در [۲۱-۲۳] برای تعیین میزان خستگی راننده از قوانین فازی در قالب سیستم استنتاج فازی استفاده شده است. در این روش میزان خستگی راننده در بازه صفر و یک تعیین می‏گردد.
روش‏های مبتنی بر آمار و احتمال
در روش‏های مبتنی بر آمار و احتمال، تخمین میزان خستگی و عدم تمرکز حواس بر اساس اطلاعات آماری و احتمالی انجام می‏گیرد. معمولا این اطلاعات در قالب دانش اولیه یا اطلاعات استخراج شده از داده‏های آموزشی می‏باشد. سپس با بهره گرفتن از روش‏های آماری و احتمالی مانند شبکه بیز یا شبکه عصبی، میزان کاهش هوشیاری راننده مشخص می‏شود.

f(Net_j)
y_j
X₁
X₂
X_d
∑
Node j
b=1
w_j1
w_j2
w_jd
w_j0
شکل ۲- ۳: ساختار یک نرون (گره) [۲۰]
برای آموزش (تعیین وزن‌ها و بایاس‌ها) شبکه عصبی FNN دو راه وجود دارد: روش‌های کلاسیک مانند الگوریتم انتشار به عقب (^[۸]BP) و روش‌های بهینه‌سازی هوشمند مانند الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات^[۹] PSO.

روش BP بر پایه گرادیان نزولی در فضای خطا است که دارای قابلیت جستجوی محلی می‌باشد. اصلاح وزن‌های شبکه عصبی به گونه‌ای صورت می‌گیرد که در هر دور خطای میان خروجی مطلوب و خروجی شبکه عصبی کاهش یابد. این خطا به صورت زیر تعریف می‌شود:
(۲-۲)
به این صورت خطا برای مجموع n نمونه آموزشی محاسبه می‌گردد. خروجی مطلوب و خروجی شبکه عصبی می‌باشد. قدرت الگوریتم BP در قابلیت محاسبه خطای موثر برای هر واحد مخفی است. نهایتاً هر یک از وزن‌ها در دور m+1 به صورت زیر تغییر می‌کند:
(۲-۳)
(۲-۴)
در رابطه (۲-۴) نرخ یادگیری و اختلاف میان خروجی مطلوب و خروجی شبکه عصبی است. در روش‌های مبتنی بر گرادیان نزولی مانند BP ممکن است همگرا شدن به یک مقدار مینیمم زمان زیادی لازم داشته باشد. همچنین در این روش‌ها اگر در سطح خطا چندین مینیمم محلی وجود داشته باشد تضمینی وجود ندارد که الگوریتم بتواند مینیمم مطلق را پیدا بکند [۲۱].
روش‌های تکاملی برای اجتناب از گیر افتادن در مینیمم محلی و افزایش قدرت تعمیم دهی که از نقاط ضعف الگوریتم‌های مبتنی بر گرادیان نزولی برای آموزش شبکه عصبی بود بکار گرفته شدند. در این روش‌ها ابتدا جمعیت اولیه به صورت از پیش تعریف شده یا تصادفی مشخص می‌شود. هر یک از اعضای جمعیت یکی از راه‌ حل ‌های بالقوه است که الگوریتم تکاملی مورد نظر در طول دوره‌های مختلف فضای مسأله را جستجو و جمعیت را به سمت نقطه بهینه که کارایی را بهبود می‌دهد حرکت می‌دهد [۲۲].

۲-۴-۲- درخت‌های تصمیم

درخت‌های تصمیم از بالا به پایین یکی از الگوریتم‌های رایج دسته‌بندی می‌باشند [۲۳]. از مهم‌ترین دلایل رایج بودن این الگوریتم شفافیت و قابلیت تفسیر بالای این الگویتم است. مزیت دیگر موجود بودن پیاده‌سازی‌های قوی نظیر C4.5 است. الگوریتم‌های درخت‌های تصمیم با ساخت یک الگوریتم از بالا به پایین توسط انتخاب صفت در هر لحظه و جداسازی داده‌ها با توجه به مقادیر صفتشان انجام می‌شود [۲۳]. مهم‌ترین صفت به عنوان ریشه درخت و بقیه گره‌ها نیز به ترتیب اولویت در سطح‌های بعدی قرار می‌گیرند به گونه‌ای که گره‌هایی که ضریب دست‌یابی اطلاعات و برچسب دسته را نشان می‌دهند نزدیک ریشه قرار می‌گیرند. شکل (۲-۴) چگونگی ساخت درخت تصمیم برای جدول (۲-۱) را نمایش می‌دهد.
جدول ۲-۱: مجموعه داده‌های آموزش

صفت اول

صفت دوم

صفت سوم

صفت چهارم

کلاس

a1

a2

a3

a4

Yes

a1

a2

a3

b4

Yes

a1

در این حالت، ، و یا ، بنابراین کنترلر عمل می­ کند و لغزش را کاهش می­دهد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

د) خودرو در حال ترمز­گیری، لغزش کم
در این حالت، ، و ، بنابراین کنترلر عمل نمی­کند و لغزش را افزایش نمی­دهد.
مقادیر ضرایب کنترلر در جدول ۳-۵ مشخص شده است.
جدول ۳-۵ ضرایب کنترلر تنظیم لغزش فعال / ترمز ضد قفل

پارامتر

مقدار

N.s/kg 5/0

۲/۰

۳-۱۰ طراحی کنترلر فعال غلت- میله ضدغلت-^[۶۰]
برای تعیین زمان فعالیت زیرسیستم کنترل غلت لازم است از یک شاخص غلت (RI^[61]) استفاده گردد. شاخص­ های معمول در سایر مطالعات عبارتند از زاویه غلت [۱۵]، شتاب جانبی [۱۶] و [۱۷] و انتقال وزن جانبی [۳۱]. شاخص ارائه شده در [۱۴] معیار جامعی است که دربرگیرنده هر سه شاخص ذکر شده می­باشد و با اعمال تغییراتی، به صورت معادله (۳-۱۷) در اینجا به کار می­رود.
(۳-۱۷)
جملات اول و سوم در ضابطه اول معادله (۳-۱۷)، نمایانگر میزان بحرانی بودن زاویه و نرخ غلت جرم فنربندی شده هستند، در حالی که جمله دوم میزان بحرانی بودن شتاب جانبی و متعاقب آن، انتقال وزن جانبی (که مستقیماً از شتاب جانبی ناشی می­ شود) می­باشد.
هر زمان که RI از آستانه بالای RI_up,thres بیشتر باشد، زیرسیستم کنترل غلت فعال شده و هر زمان که RI از آستانه پایین RI_lo,thres کمتر باشد، این زیرسیستم خاموش می­ شود یا به وضعیت بهبود فرمان­پذیری تغییر وضعیت می­دهد (برای توضیح جامع­تر درباره استراتژی هماهنگی، ر.ک. به بخش ۳-۱۱).
دو آستانه مذکور، پارامترهایی هستند که بیانگر شرایطی از دینامیک غلت هستند که بحرانی تلقی می­شوند و توسط طراح و به روش سعی و خطا تعیین می­گردند. اختلاف این دو پارامتر، سبب می­ شود، کنترلر مانند رله عمل نماید و مانع ایجاد نوسانات ناخواسته بر اثر فعال و غیرفعال شدن های پی در پی کنترلر می­گردد.
این زیرسیستم، در حالت فعالیت، گشتاور غلتشی لازم را بر اساس قانون کنترل تناسبی زیر محاسبه نموده و اعمال می­نماید.
(۳-۱۸)
این گشتاور توسط دو عملگر به صورت یک زوج نیرو تولید می­ شود.
(۳-۱۹)
که در آن، s فاصله جانبی بین عملگرهای راست و چپ و F_a,tot جمع نیروی عملگرهای جلو و عقب در هر یک از طرفین است.
بخشی از این زوج نیرو توسط عملگرهای تعبیه شده در محور جلو و بقیه آن توسط عملگرهای تعبیه شده در محور عقب تامین می­گردد. برای تصمیم ­گیری در مورد سهم هر محور، باید توجه داشت که این زوج نیرو که به منظور کاهش زاویه غلت اعمال می­گردد، به طور اجتناب­ناپذیری انتقال وزن جانبی را افزایش داده، حاشیه امن واژگونی را کاهش می­دهد. تحقیقات گذشته نشان داده است که بیشترین حاشیه امن واژگونی مربوط به زمانی است که آغاز واژگونی (صفر شدن بار چرخ داخلی) روی دو محور جلو و عقب هم­زمان رخ دهد [۳۲]. به بیان دیگر، می­دانیم در اثر عملکرد عملگرها، انتقال وزن جانبی افزایش خواهد یافت؛ بنابراین بهتر است این افزایش در محوری رخ دهد که هم­اکنون، انتقال وزن کمتری را به طور طبیعی و در اثر شتاب جانبی متحمل شده است. لذا، قانون کنترلی زیر برای این منظور طراحی شده است.
(۳-۲۰)
که در آن F_a.f نیروی هر یک از عملگرهای تعبیه شده در محور جلو و F_a,r نیروی هر یک از عملگرهای تعبیه شده در محور عقب می­باشد. ثابت ۶/۰ برای c_f به روش سعی و خطا به دست آمده است و برای سایر خودروها متفاوت است.
مقادیر عددی ضرایب کنترلر در جدول ۳-۶ مشخص شده است.
جدول ۳-۶ ضرایب کنترلر فعال غلت –میله ضدغلت–

پارامتر

مقدار

C₁

۴/۰

صندوق می ­تواند دارای عمر محدود باشد و صدور و ابطال آن با اتخاذ کارمزدهای زیاد محدود شود.
این صندوق می ­تواند بین بازار سرمایه و بیمه اتکایی ارتباط برقرار کند.
خود بیمه­گران نیز می­توانند به عنوان خریداران واحدهای این صندوق وارد عمل شوند.
وجوه جمع­آوری شده در اوراق با درآمد ثابت و دارای نقدشوندگی بالا سرمایه ­گذاری می­ شود تا هنگام وقوع خسارت به سرعت قابلیت تبدیل به نقد را داشته باشد.
این صندوق به مانند نهاد بیمه­گر اتکایی رفتار می­نماید.
در هنگام بروز خسارت باید بر طبق قرارداد بین بیمه­گر واگذارنده و بیمه­گر اتکایی با آن رفتار کرد.
دارنده واحدهای صندوق به نوعی بیمه­گر اتکایی است.
در سرمایه ­گذاری شرکت­های بیمه در واحدهای این صندوق اتکایی محدودیت آیین­ نامه شرکت­های بیمه در مورد سرمایه ­گذاری­های آن­ها باید مدنظر قرار گیرد.
برای این­که مشکلات صکوک و مباحث پیچیده شرعی مترتب بر آن زیاد است، راهکار صندوق به نظر عملیاتی­تر می­رسد.

بهتر است از نهادهای مشابه مانند صندوق زمین و ساختمان استفاده نمود و ایرادهای هر یک را شناخت و بهترین راه حل را اتخاذ نمود.

این صندوق برای شروع فعالیت خود از سازمان بورس و بیمه مرکزی باید مجوز اخذ نماید.
صندوق به منظور اجرای صحیح وظایف محوله به ارکانی نیاز دارد. به طوری که این ارکان دارای تخصص­های لازم در بازار سرمایه و بیمه باشند.
این صندوق می ­تواند بین بازار سرمایه و بیمه اتکایی ارتباط برقرار کند.
بهتر است از نهادهای مشابه مانند صندوق زمین و ساختمان استفاده نمود و ایرادهای هر یک را شناخت و بهترین راه حل را اتخاذ نمود.
خود بیمه­گران نیز می­توانند به عنوان خریداران واحدهای این صندوق وارد عمل شوند.

اجرایی شدن

نظرات مصاحبه­شوندگان

نتایج حاصله

جایگاه در طبقه

مؤسسات رتبه ­بندی در ایران وجود ندارند و این یکی از محدودیت­های موجود است.
قراردادهای بین ارکان باید با جزییات کامل بوده و کلیه ابعاد موضوع مورد بررسی قرار گیرد.
تعریف دقیق مورد و موضوع بیمه و قرار داد بین بیمه­گر واگذارنده و صندوق به شکل شفافی باید تشریح گردد.
باید روابط بین ارکان تعریف و تشریح شود.
طراحی سازوکار این صندوق باید به نوعی باشد که قابلیت اجرا داشته باشد.
بین بازارهای سرمایه، بیمه و پول فاصله زیادی وجود دارد که باید به طریقی این فاصله کاهش یابد.
از ظرفیت­های خالی هر کدام از بخش­های فوق باید به نحوی صحیح استفاده شود.
بحث قیمت­ گذاری این واحدهای سرمایه ­گذاری از نکات بسیار مهم است.
یکی از مشکلات صنعت بیمه عدم سرمایه ­گذاری صحیح حق بیمه­های دریافتی است. با وجود این صندوق و استفاده از تخصص­های بازار سرمایه در ارکان اجرایی آن تا حد زیادی این مشکل رفع می­گردد.
این صندوق باعث گردش پول­های راکد در صنعت بیمه می­ شود که در حال حاضر یکی از معضلات بیمه­ای در کشور است.
در بازار بیمه کشور به این نهاد نیاز فراوانی وجود دارد.
نیاز به این نهاد با توجه به شرایط فعلی بیش از پیش وجود دارد.
اولین اثر مثبت هر بیمه افزایش ظرفیت سرمایه ­گذاری در کشور به دلیل کاهش ریسک است که با وجود این صندوق توان شرکت­های بیمه افزایش یافته و در نتیجه باعث گسترش و توسعه سرمایه ­گذاری در کشور می­ شود.
ارزش واحدهای سرمایه ­گذاری در هر دوره بر اساس گزارش اعلامی از سوی بیمه­گر واگذارنده تعیین می­ شود.
ارزش­گذاری واحدهای صندوق را می­توان به مانند صندوق زمین و ساختمان به صورت دوره­ای، گزارش از سوی شرکت بیمه داده شده و میزان خسارت پرداخت شده محاسبه و سهم صندوق حساب شود و ارزش هریک از واحدهای صندوق را محاسبه نمود.
با قرار دادن یک نهاد و با بیش­ترین شباهت به این نهاد می­توان ساختار مناسبی را پیشنهاد نمود.
این صندوق ابزاری است که خلا آن کاملا احساس می­ شود.

عدم وجود مؤسسات رتبه ­بندی یکی از عمده محدودیت­های بازار سرمایه ایران است.
بین بازارهای سرمایه، بیمه و پول فاصله زیادی وجود دارد که باید به طریقی این فاصله کاهش یابد.
نیاز به این نهاد با توجه به شرایط فعلی بیش از پیش وجود دارد.
اولین اثر مثبت هر بیمه افزایش ظرفیت سرمایه ­گذاری در کشور به دلیل کاهش ریسک است که با وجود این صندوق، توان شرکت­های بیمه افزایش یافته و در نتیجه باعث گسترش و توسعه سرمایه ­گذاری در کشور می­ شود.

زیرساخت­ها

مطالب دریافت شده از پرسش­نامه­ ها و مصاحبه های دریافتی در قالب اشکال زیر گنجانده شده است: